Fähigkeiten pytorch-lightning

📦

pytorch-lightning

Name: pytorch-lightning
Author: davila7

Inhaltsrevision r2 Sicher ⚡ Enthält Skripte🌐 Netzwerkzugriff⚙️ Externe Befehle🔑 Umgebungsvariablen

PyTorch-Lightning-Trainingsworkflows erstellen

PyTorch-Projekte können schwer konsistent zu trainieren und zu skalieren werden. Dieser Skill bietet Anleitung zu LightningModules, Trainern, Datenmodulen, Callbacks, Logging und verteiltem Training.

Unterstützt: Claude Codex Code(CC)

🥈 82 Silber

Maintain this Skill? Claim it 🥈 82 Silber

Mit meinem Agent installieren

Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.

Agent-Anfrage

Review the Skillstore skill "pytorch-lightning" from https://skillstore.io/skills/davila7-pytorch-lightning.md and its manifest at https://skillstore.io/api/skills/davila7-pytorch-lightning/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.

Agent-lesbare Ressourcen

Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.

Markdown-Detailseite GET /skills/davila7-pytorch-lightning.md Signiertes manifest GET /api/skills/davila7-pytorch-lightning/manifest Signiertes lockfile GET /api/skills/davila7-pytorch-lightning/lockfile

Testen

„pytorch-lightning“ wird verwendet. Ich brauche eine saubere Struktur für einen neuen Lightning-Bildklassifikator.

Erwartetes Ergebnis:

Modelldefinition, Step-Methoden, Optimizer-Einrichtung und Logging-Verantwortlichkeiten trennen.
Eine Trainer-Konfiguration mit Checkpointing und schnellen Entwicklungsprüfungen verwenden.
Ein DataModule hinzufügen, wenn das Dataset-Setup über Experimente hinweg wiederverwendbar wird.

„pytorch-lightning“ wird verwendet. Ich muss das Training von einer GPU auf vier Nodes skalieren.

Erwartetes Ergebnis:

Der Skill würde verteilte Strategien vergleichen, Hardware- und Modelleinschränkungen identifizieren und Start-Einstellungen plus Netzwerkprüfungen vorschlagen.

„pytorch-lightning“ wird verwendet. Ich brauche Experiment-Tracking für mehrere Trainingsläufe.

Erwartetes Ergebnis:

Der Skill würde einen Logger, einen Plan für Metriknamen, eine Checkpoint-Überwachungsmetrik und einen Ansatz zur Verwaltung von Anmeldedaten empfehlen.

Sicherheitsaudit

Sicher

v9 • 23.7.2026 Versionsbericht öffnen

All 62 static findings are false positives caused by documentation syntax, safe framework APIs, placeholders, or bounded training examples. No prompt injection, credential exposure, command injection, or malicious network behavior was found.

Gescannte Dateien

5,458

Analysierte Zeilen

Prüfelemente

Falschmeldungen ignoriert

Risikofaktoren

⚡ Enthält Skripte (3)

references/callbacks.md:515-520 references/lightning_module.md:445 scripts/quick_trainer_setup.py:9-15

🌐 Netzwerkzugriff (4)

references/data_module.md:42 references/distributed_training.md:439 references/distributed_training.md:444 references/logging.md:82

⚙️ Externe Befehle (44)

🔑 Umgebungsvariablen (3)

references/distributed_training.md:522 references/logging.md:103 references/logging.md:125

Das letzte abgeschlossene statische und semantische Audit erkannte keine bestätigten Sicherheitsbefunde. Dies beweist nicht, dass der Skill keine Nebenwirkungen hat.

Geprüft von: codex Audit-Verlauf anzeigen →

Diesen Bericht teilen & zitieren

Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.

Versionsbericht öffnen

Berichtslink kopieren

https://skillstore.io/skills/davila7-pytorch-lightning/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdown-Badge

[![Skillstore security assessment](https://skillstore.io/badges/skills/davila7-pytorch-lightning/security.svg)](https://skillstore.io/skills/davila7-pytorch-lightning?utm_source=security_passport_badge)

HTML-Badge

<a href="https://skillstore.io/skills/davila7-pytorch-lightning?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-pytorch-lightning/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

Einbettungskarte

<iframe src="https://skillstore.io/embed/skills/davila7-pytorch-lightning.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>

Wissenschaftliche Zitate (APA · BibTeX · CFF)

APA-Zitat

davila7. (2026). pytorch-lightning security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-pytorch-lightning/audits/9

BibTeX-Zitat

@techreport{davila7-davila7-pytorch-lightning-2026,
  author = {davila7},
  title = {pytorch-lightning security audit report (audit version 9)},
  institution = {Skillstore},
  year = {2026},
  number = {9},
  url = {https://skillstore.io/skills/davila7-pytorch-lightning/audits/9},
  note = {Author version unspecified}
}

CITATION.cff

cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "pytorch-lightning security audit report (audit version 9)"
version: "unspecified"
type: report
authors:
  - name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-pytorch-lightning/audits/9"
identifiers:
  - type: other
    value: "skillstore:davila7-pytorch-lightning:audit:9"
    description: "Skillstore immutable audit report identifier"

Varianten vergleichen

2 installierbare Varianten

Jeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.

Warum diese Variante zuerst steht

Höchster Skillstore-Score

Autor / Quelle Skillstore-Score Evidenzvertrauen Skillstore-Nutzung Aktualisiert

davila7 Empfohlen Aktuell

davila7-pytorch-lightning

Skillstore-Score 82

Evidenzvertrauen Hoch

Skillstore-Nutzung 11

Aktualisiert

2026-09-09

K-Dense-AI

k-dense-ai-pytorch-lightning

Skillstore-Score 78

Evidenzvertrauen Hoch

Skillstore-Nutzung 20

Aktualisiert

2026-09-09

Skillstore-Score

Warum dieser Score Evidenzvertrauen: Hoch

Architektur

Wartbarkeit

Inhalt

Gemeinschaft

Spezifikationskonformität

Was Sie erstellen können

Training für Forschungsprototypen

Experimentellen PyTorch-Trainingscode in ein klareres Lightning-Projekt mit wiederverwendbaren Modulen und reproduzierbaren Trainer-Einstellungen umwandeln.

Produktions-Trainingspipeline

Datenmodule, Checkpoints, Logger und Callbacks für wiederholbare Modelltrainingsjobs standardisieren.

Verteilte Modellskalierung

DDP-, FSDP- oder DeepSpeed-Einstellungen für größere Modelle und Multi-Node-Läufe auswählen.

Diese Prompts ausprobieren

Ein grundlegendes LightningModule erstellen

Hilf mir, ein PyTorch LightningModule für einen Bildklassifikator zu entwerfen. Berücksichtige Verantwortlichkeiten für Training, Validierung, Optimizer und Metrik-Logging.

Data Loading refaktorisieren

Wandle meinen Plan zur Dataset-Vorbereitung in ein LightningDataModule um. Berücksichtige prepare_data, Setup-Phasen und separate Train-, Validierungs- und Test-Loader.

Trainingssteuerung konfigurieren

Empfiehl eine Lightning Trainer-Konfiguration für zwei GPUs. Berücksichtige Checkpointing, Early Stopping, Präzision, deterministisches Verhalten und einen schnellen Debug-Modus.

Verteilte Skalierung planen

Vergleiche DDP, FSDP und DeepSpeed für meine Modellgröße und Hardware. Empfiehl eine Strategie und liste betriebliche Prüfungen vor dem Start auf.

Bewährte Praktiken

Modelllogik in LightningModule und Datenvorbereitung in LightningDataModule halten.
Deterministische Einstellungen und Seed-Kontrolle verwenden, wenn Experimente verglichen werden.
Logger-Anmeldedaten außerhalb von Quelldateien speichern und über sichere Konfiguration übergeben.

Vermeiden

Keine Platzhalter-API-Schlüssel in committeten Trainingscode kopieren.
Cluster-Adressen nicht fest codieren, ohne umgebungsspezifische Ersetzungen zu dokumentieren.
Dataset-Download, Modelllogik und Trainer-Setup nicht in einer Datei vermischen.